商品图片中的文字检测与识别系统设计
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 论文课题研究现状 | 第10页 |
| 1.2.2 文本定位方法研究现状 | 第10-11页 |
| 1.2.3 文本识别方法研究现状 | 第11-12页 |
| 1.3 本文的主要工作和内容安排 | 第12-14页 |
| 第二章 关键技术及系统工作流程 | 第14-23页 |
| 2.1 图片预处理相关技术 | 第14-15页 |
| 2.1.1 图像灰度化 | 第14-15页 |
| 2.1.2 图像去噪 | 第15页 |
| 2.2 图片文字定位相关技术 | 第15-17页 |
| 2.2.1 AdaBoost分类器 | 第15-17页 |
| 2.3 图片识别相关技术 | 第17-21页 |
| 2.3.1 卷积神经网络(CNN) | 第17-20页 |
| 2.3.2 CNN的训练过程 | 第20-21页 |
| 2.4 系统流程 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 图片文本信息预处理及检测 | 第23-32页 |
| 3.1 数据分析 | 第23-24页 |
| 3.2 直方图特征 | 第24-25页 |
| 3.3 Adaboost纹理分类器训练 | 第25-27页 |
| 3.4 文字概率图生成和CAMSHIFT算法 | 第27-31页 |
| 3.4.1 文字概率图 | 第27-29页 |
| 3.4.2 CAMSHIFT算法 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于CNN的文字识别算法及改进 | 第32-45页 |
| 4.1 训练样本 | 第32-33页 |
| 4.2 本文CNN结构 | 第33-34页 |
| 4.2.1 CNN基本模型 | 第33页 |
| 4.2.2 本文CNN结构 | 第33-34页 |
| 4.3 网络测试与训练 | 第34-35页 |
| 4.4 基于CNN的文字识别改进算法 | 第35-38页 |
| 4.4.1 集成CNN结构 | 第35-36页 |
| 4.4.2 集成CNN的缺陷 | 第36页 |
| 4.4.3 双网CNN方法 | 第36-38页 |
| 4.5 识别效果评估 | 第38-44页 |
| 4.5.1 实验处理过程 | 第38-43页 |
| 4.5.2 实验结果评价标准 | 第43页 |
| 4.5.3 实验数据对比 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 系统设计 | 第45-50页 |
| 5.1 系统开发环境 | 第45页 |
| 5.2 整体架构 | 第45-46页 |
| 5.3 系统识别流程及界面设计 | 第46-49页 |
| 5.4 系统性能评价 | 第49页 |
| 5.5 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-51页 |
| 6.1 本文工作总结 | 第50页 |
| 6.2 未来展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 在校期间发表的论文、科研成果等 | 第54-55页 |
| 致谢 | 第55页 |
